基于光谱技术的畜禽肉新鲜度评价方法研究进展

张凯华，臧明伍，王守伟，李 丹，张哲奇，乔晓玲

（中国肉类食品综合研究中心，北京食品科学研究院，北京 100068）



基于光谱技术的畜禽肉新鲜度评价方法研究进展

张凯华，臧明伍*，王守伟，李 丹，张哲奇，乔晓玲

（中国肉类食品综合研究中心，北京食品科学研究院，北京 100068）

摘 要：本文综述了基于光谱学原理的近红外光谱、高光谱成像技术、荧光光谱和拉曼光谱等无损检测技术在冷却畜禽肉新鲜度评价中的应用研究进展，分析不同技术在评价畜禽肉新鲜度方面的优劣，以期为国内学者开展畜禽肉新鲜度无损检测相关研究提供借鉴。

关键词：光谱技术；冷却肉；新鲜度；进展

张凯华, 臧明伍, 王守伟, 等. 基于光谱技术的畜禽肉新鲜度评价方法研究进展[J]. 肉类研究, 2016, 30(1): 30-35. DOI:10.15922/j.cnki.rlyj.2016.01.007. http://rlyj.cbpt.cnki.net.

ZHANG Kaihua, ZANG Mingwu, WANG Shouwei, et al. Progress on spectroscopic freshness evaluation of chilled meat[J]. Meat Research, 2016, 30(1): 30-35. (in Chinese with English abstract) DOI:10.15922/j.cnki.rlyj.2016.01.007. http://rlyj.cbpt.cnki.net.

肉类中蛋白质、脂肪、矿物质等营养物质丰富，是人们日常膳食中动物蛋白质的重要获取来源。冷却肉是在良好操作规范和良好卫生条件下，活畜经宰前、宰后检验检疫合格屠宰后，胴体经冷却处理，其后腿肌肉深层中心温度在24 h内降至0～4 ℃，在10～12 ℃的车间内进行分割加工，并在后续的包装、贮藏、流通和销售过程中始终保持在0～4 ℃范围内的生鲜肉[1]，具有肉质鲜嫩、营养价值高、安全卫生等优点。新鲜度作为冷却肉品质评价的重要指标，能够综合反映肉类营养性、安全性和嗜好性等特点。在冷却肉逐渐成为消费主流的过程中，如何实现对冷却肉新鲜度无损、快速、准确测定是不少研究学者关注的重点。

1　畜禽肉新鲜度评价指标概述

冷却肉新鲜度的变化主要是由微生物引起的，初始菌相及贮藏流通条件差等因素使得微生物在肉表面生长繁殖，在微生物及内外源酶的作用下，肉中蛋白质、脂肪被分解成小分子代谢物，产生不良气味，肉的pH值也随之升高，颜色也发生变化，从而导致肉腐败变质，失去食用价值。畜禽肉新鲜度变化过程中，挥发性盐基氮（total volatile basic nitrogen，TVB-N）、菌落总数（total viable counts，TVC）、pH值、硫代巴比妥酸值（2-thiobarbituric acid reactive substances，TBARs）、肉色（L*、a*和b*）、三磷酸腺苷（adenosine triphosphate，ATP）及代谢产物K值等指标都会发生不同程度的变化，都可以作为评价畜禽肉新鲜度变化的指标。

GB 2707—2005《鲜（冻）畜肉卫生标准》规定生鲜畜肉TVB-N≤15 mg/100 g，基于TVB-N的新鲜度评价多以此为标准，但该指标与感官评价间存在一定差异[2]，郭培源等[3]利用自组织特征映射网络（self-organizing feature map，SOM）对TVB-N值数据进行聚类分析，将猪肉新鲜度划定为新鲜肉、中鲜肉、次鲜肉、中腐肉及腐败肉，区间分别是[0，11.5）、[11.5，16.8）、[16.8，24.6）、[24.6，32.9）及＞32.9 mg/100g。NY/T 632—2002《冷却猪肉》规定冷却猪肉菌落总数≤106CFU/g，NY/T 633—2002《冷却羊肉》规定冷却羊肉菌落总数≤5×105CFU/g，研究中多以106CFU/g为肉不新鲜的判定依据。除菌落总数外，低温嗜冷菌如假单胞菌、热索丝菌、乳酸菌也是导致肉类腐败的主要优势菌群[4]。

畜禽肉pH值变化与腐败程度同样存在相关性，一般认为尸僵阶段pH值为5.2～6.2，成熟阶段pH值为5.2～5.8，自溶阶段pH值6.0左右，腐败阶段pH值≥6.9，胡耀华等[5]基于感官评价和聚类分析通过主成分分析、Ward距离法对室温和冷藏温度条件下肉品pH值进行分级细化，认为冷藏条件下新鲜肉pH值为5.51～5.65，次新鲜肉为5.66～5.87，变质肉为5.91～6.22。

值得注意的是，肉新鲜程度的变化是一个复杂的过程，基于多指标的综合评价能更全面、准确地评价冷却肉新鲜度变化及等级划分，张雷蕾[6]基于数据分析方法以及冷却猪肉不同贮藏时间内TVB-N、pH值、菌落总数、假单胞菌数（Presumptive Pseudomonas，PP）、L*指标变化规律，认为冷却猪肉新鲜状态的评价标准为L*＞49.0，pH≤5.5，TVB-N≤15 mg/100 g，TVC、PP≤6.0 lg（CFU/g），将新鲜度评价指标体系综合化。

2　基于光谱技术的畜禽肉新鲜度评价应用研究进展

基于新鲜度评价指标开展冷却肉畜禽肉新鲜度的方法有感官评价、理化指标测定等，感官评价主观性较强，需配备专业技术人员，以TVB-N、TBARs、pH值及微生物菌落数等理化指标的测定往往耗时长，且破环样品。随着新技术的不断发展成熟，无损、快速、便捷的新鲜度评价方法逐渐受到研究者的关注，光谱学技术、计算机视觉技术、核磁共振技术等无损检测技术纷纷成为国内外学者评价畜禽肉新鲜度的重要技术手段，而光谱技术具有检测速度快、非破坏性、无污染、可检测多种化学成分含量及质量特性指标、适于大规模产业化在线检测和实时监测等特点，在畜禽肉新鲜度评价方面应用广泛。

2.1可见-近红外光谱技术

近红外光是介于可见光区与中红外区之间的电磁波（波长范围为700～2 500 nm），能够反映分子中单个化学键的基频振动的倍频和合频吸收。近红外光谱技术以快速、无损、可多组分同时分析的特点在肉品化学成分（如水分、蛋白质、脂肪、脂肪酸组成、矿物质）、品质（肉色、蒸煮损失、剪切力、嫩度等）及肉类掺假快速检测方面取得不少研究成果[7-13 ]。

基于近红外光谱的冷却肉新鲜度评价更多地是对TVB-N值、pH值的定量模型的构建。Leroy等[14]首次借助近红外光谱技术，测定肉品在1 200～1 300 nm的光谱谱图，建立TVB-N预测模型，使基于近红外光谱技术的肉品新鲜度快速无损检测技术研究成为可能。国内学者也纷纷借助近红外光谱以TVB-N为指标预测肉品新鲜度，但研究以猪肉为主[15-16]。2012年，马世榜等[17]以牛肉为研究对象，以多元散射校正（multiplicative scatter correction，MSC）+Savitzky-Golay（S-G）平滑预处理+支持向量机径向基核函数（radial basis function，RBF）建立可见-近红外（400～1 600 nm）光谱新鲜度分级定性判定模型，采用TVB-N≤15 mg/100 g为新鲜，TVB-N≥15 mg/100 g为不新鲜的分级标准，该模型的回判识别率和预测识别率分别为96.3%和100%。胡耀华[5]、廖宜涛[18]等也验证了pH值在预测冷却肉新鲜度的可行性。

微生物也是评价新鲜度的重要指标。基于近红外衰减全反射光谱技术，借助偏最小二乘（partial least squares，PLS）回归法和遗传算法、遗传进化两种算法可建立牛肉糜在室温24 h内的微生物腐败模型[19]，Alexandrakis等[20]运用化学计量法和近红外光谱检测李斯特菌、荧光假单胞菌、恶臭假单胞菌、门多萨假单胞菌和大肠杆菌，成功区分新鲜和受污染的鸡胸肉，为冷却肉微生物预测模型研究提供思路。Argyri等[21]基于傅里叶变换红外光谱技术，建立0、5、10、15、20 ℃牛肉腐败变质过程菌落总数的预测模型，该模型对牛肉样品新鲜、次新鲜和腐败变质的判别准确率分别为91.7%、81.2%和94.1%。还有研究发现，基于傅里叶变换近红外光谱建立冷却肉表面细菌总数的预测模型，线性分析算法PLS法的预测效果要优于非线性算法人工神经网络（artificial neural network，ANN）[22]。

近红外光谱还可实现对肉品多指标的同时测定和预测。Gra u等[23]基于短波近红外（400～1 000 nm）光谱技术和偏最小二乘判别分析法（partial least squares discriminant analysis，PLSDA）建立的包装切片鸡胸肉需氧菌落数、K1值和TVB-N模型的预测系数较高。刘静等[24]基于近红外光谱技术和支持向量机（support vector machine，SVM）Linear核函数和RBF核函数模型，建立减压贮藏猪肉TVB-N值、细菌总数、pH值及感官评价数据的预测模型，对新鲜、次新鲜和腐败肉有较高的分类率。王丽等[25]采用傅里叶变换近红外光谱技术建立恒温（30 ℃）猪肉糜色泽（L*、a*和b*）、TVB-N、pH值的快速检测方法，模型预测相关系数均在0.80以上，可见近红外光谱可满足猪肉新鲜度多指标的同时测定。杨勇等[26]采用变量标准化（standard normalized variate，SNV）处理光谱，利用PLS建立基于近红外光谱的鹅肉TVB-N和pH值预测模型，模型R2分别为0.727和0.991，预测相关系数为0.976和0.705。借助近红外光谱技术还可实现对冷却肉货架期的预测。Sinelli等[27]基于傅里叶近红外光谱技术，对比近红外（800～2 800 nm）和中红外（2 500～14 000 nm）下高氧气调（30% CO2/70%O2）包装切片牛肉鲜度变化的预测准确性，研究发现两种模式均可实现包装牛肉货架期的预测，且结果相近，不同温度下包装切片牛肉的货架期分别为6～7 d（4.3 ℃）、2～3 d（8.41℃）和不足1 d（15.5℃）。

基于近红外光谱技术来评价畜禽肉新鲜度的方法不断成熟，但受单点检测的限制，无法实现畜禽肉内外品质的同时检测，且检测中易受到采样等局部因素的影响，在全面综合评价新鲜度方面仍有局限。

2.2高光谱成像技术

高光谱成像技术兴起于20世纪80年代，它集合光学、光电子学、电子学、信息处理、计算机科学等先进技术，具有连续多波段、光谱分辨率高和图像光谱合一等特点，能够获取样品的空间信息、光谱信息和辐射信息，在畜产品品质无损快速检测方面更具优势。国内外学者利用高光谱成像技术在肉品营养指标[28-29]、嫩度[30-32]、大理石花纹[33-34]、颜色[35]、品质分级[36-38]、持水能力[39]、不同部位肉区分[40]快速无损检测方面取得不少成果。其中，Barbin等[29]基于近红外（900～1700 nm）高光谱成像技术建立不同冻融循环下生鲜肉颜色、冻融损失的PLSDA预测模型，可实现对预测集100%的冻肉与鲜肉的区分。Xie等[38]获取4 种冻结方式下，即液氮冻结、沉浸冻结、鼓风冻结和家用冰箱冻结下猪肉高光谱信息，建立PLS模型，发现蒸煮损失、滴水损失、L*、a*和b*预测情况较好，预测系数分别为0.845、0.762、0.907、0.716和0.814、，可实现不同冻结方式下冻肉的区分。

冷却肉新鲜度变化是一个复杂的过程，高光谱成像技术可以获取冷却肉新鲜度变化及腐败变质过程多方面的信息，包括表征样品外部特征的物理信息（如肉色、纹理特征）和表征内部组分的化学特性（如嫩度、TVB-N、pH值、菌落总数等），从而提高新鲜度预测的准确性。目前，基于高光谱成像技术的冷却肉新鲜度评价指标多为TVB-N和微生物变化。在TVB-N方面，Wang 等[41]借助声光可调滤波器和可见-近红外光谱成像技术测定宰后3～13 d的猪肉的图谱信息，通过识别有效检测兴奋区域、去除脂肪干扰，采用留一法（leave-one-out，LOO）交互验证发现TVB-N模型预测均方根误差和确定系数分别是1.91 mg/kg和0.89。在微生物变化方面，高光谱成像技术要优于近红外光谱技术。国内Peng等[42]基于高光谱空间散射成像技术，结合洛伦兹分布函数优选特征波长建立牛肉腐败细菌和猪肉菌落总数的多元线性回归预测模型，最佳决定系数为0.95，标准误差为0.30，为基于微生物指标的冷却肉新鲜度评价奠定基础。

除TVB-N、菌落总数和嗜冷菌落数外，TBARs也是重要的评价指标。Xiong等[43]在400～1 000 nm波长下，用高光谱成像技术快速测定鸡肉4℃冷藏条件下0～9 d内丙二醛（TBARs产物）含量，用成像数据和测定值基于PLSR进行建模，模型预测回归系数Rp为0.944，用连续投影算法（successive projections algorithm，SPA）优选10个波长，基于SPA-PLSR模型推演出鸡肉样品新鲜度变换的可视化图像信息，模型系数分别是0.801和0.157。

与近红外光谱不同，高光谱成像中非线性算法的预测效果更佳，尤其是反向传播自适应提升（back propagation-AdaBoost，BP-AdaBoost）算法模型。Huang 等[44]以1 280、1 440、1 660 nm为特征波段，用灰度共生矩阵来提取光谱图像数据预测TVB-N，发现BP-AdaBoost预测模型要优于PLS和误差反向传播人工神经网络（back propagation artificial neutral network，BPANN），均方根误差是6.943 9 mg/100 g，校正系数是0.832 5。Li等[45]基于高光谱成像、气敏比色传感器和非线性数据融合技术建立生鲜猪肉TVB-N无损检测模型，BP-AdaBoost模型较主成分分析-BPANN（principle component analysis-BPANN，PCA-BPANN）模型预测效果更佳。

最初，高光谱成像技术的应用仅是提取光谱信息对表征新鲜度的理化指标进行预测，未充分应用高光谱“图谱合一”的特点。Barbin等[46-47]利用高光谱成像技术建立可视化图像信息，应用900～1 000 nm高光谱成像系统建立细菌总数模型和嗜冷菌平板计数PLSR模型的同时，还通过特征波长选取推演出不同贮藏时间内肉的可视化图像信息[48]。国内赵杰文等[49]基于高光谱成像技术预测TVB-N时，仅筛选不同波长下的特征图像，尚未建立不同样本的可视化图像信息。

2.3荧光光谱技术

荧光是一种光致发光现象，指一种物质在经一定波长的入射光照射后，发出较入射光波长更长的出射光[50]。荧光光谱技术便是基于该原理发展起来的，常规荧光光谱技术、前表面荧光剂技术、同步荧光光谱技术、三维荧光光谱技术不断应用到食品品质评价中。目前，我国荧光光谱技术多用于白酒产地溯源、农兽药残留检测及煎炸食用油、地沟油等品质鉴别，在肉品新鲜度评价方面的研究刚刚起步。

由于冷却肉腐败变质过程中发生的脂质氧化、蛋白质水解及ATP水解等都会产生具有荧光特性的物质。原卟啉和锌原卟啉是脂质氧化过程中荧光产物的主要发光成分，激发荧光的波长分布和荧光强度可以实现高氧气调包装火鸡肉糜和真空包装猪肉糜存放时间的预测[51]，为基于荧光光谱的冷却肉新鲜度评价提供思路。国内学者汪希伟等[52]开发基于紫外荧光成像原理的包装鲜猪肉在贮藏过程中脂质氧化荧光代谢产物，以背膘与肉皮中荧光区域面积占比作为新鲜度的评价指标，发现该指标与贮藏时间复合指数函数模型，确定系数为0.933 6，均方根误差为5.186。荧光光谱技术在微生物预测中也有很好的应用，借助表面荧光光谱结合化学计量学方法可以实现对鸡肉切片表面菌落总数、假单胞菌、大肠杆菌和热杀索丝菌的预测，相关性为0.99[53]。Ait-Kaddour等[54]借助便携式荧光光谱结合PLSR建立牛肉糜表面总菌落数、假单胞菌、乳酸菌和霉菌生长模型，相关系数在0.50～0.99。一系列研究表明通过荧光光谱技术以微生物为技术指标评价肉品新鲜度是可行的。

肉腐败变质过程中产生的色氨酸、还原型辅酶Ⅰ（NADH）和还原型辅酶Ⅱ（NADPH）同样具有荧光特性，不少学者基于色氨酸和NADH的荧光强度变化来评价肉的新鲜度。Oto等[55]应用激发-发射荧光光谱技术测定肉腐败变质过程中因色氨酸和NADPH引发的荧光强度变化，基于偏最小二乘回归法建立在15 ℃条件下猪肉表面3 d内ATP含量和菌落总数与荧光强度的预测模型，ATP含量和菌落总数校正系数分别为0.97和0.94，预测系数分别为0.84和0.88。利用色氨酸和ATP代谢产物K值的荧光特性，基于表面荧光光谱技术和激发发射荧光光谱技术也可以实现对水产品新鲜度的准确预测[56-57]。

2.4拉曼光谱技术

拉曼光谱技术是基于拉曼散射效应发展起来的光谱分析技术，可以表征分子振动或转动信息。目前已形成傅里叶拉曼光谱、表面增强拉曼光谱、激光共振拉曼光谱和显微共焦拉曼光谱等多种分析手段，在食品品质评价及质量安全检测方面应用广泛。拉曼光谱在评定肉类质量方面具有直接、无损、样品用量少等优点，可用于肉类鉴别、肌肉品质测定[58-59]，在肉品新鲜度评价方面的研究多集中在微生物菌落数的预测[60-61]。Argyri等[62]对比傅里叶变换近红外光谱和拉曼光谱在预测牛肉糜6 d内微生物和感官评价的变化时，发现拉曼光谱在预测TVC、乳酸菌和肠杆菌数要优于近红外光谱，近红外光谱遗传算法-遗传程序（genetic algorithm- genetic programming，GA-GP）对感官评价的预测效果最好，拉曼光谱GA-ANN模型效果较好。可见，拉曼光谱用于评价畜禽肉新鲜度是可行的。

3　结 语

3

基于光谱技术的近红外光谱、高光谱成像、荧光光谱和拉曼光谱在畜禽肉新鲜度检测方面应用广泛，体现出极佳的应用价值。基于光谱技术的无损检测手段正从单一参数检测向多参数同时检测、从外部品质检测向内外部品质同时检测、从静态检测向动态检测方向发展，因此，利用多元信息开展畜禽肉新鲜度的综合评价，实现其快速、无损、准确检测是必然趋势。当前，基于光学技术的畜禽肉新鲜度评价仍以近红外光谱技术为主，高光谱成像技术以其融合近红外光谱信息和计算机视觉的图像信息双重信息的优点，必将在新鲜度评价方面实现更多应用，而荧光光谱和拉曼光谱随着技术的进步也将不断扩大其应用范围。目前，畜禽肉新鲜度快速检测研究多以猪肉为主，鸡肉、牛羊肉研究还相对较少，随着鸡肉、牛羊肉消费比重的不断攀升，基于快速、无损、精准的鸡肉、牛羊肉新鲜度评价也将会成为研究重点。另外，应加快适合我国的畜禽肉新鲜度快速、在线检测装备的研发，通过不断强化过程控制和在线检测来提升冷却肉品质，推动我国冷却肉的市场份额的不断壮大。

参考文献：

[1] 中华人民共和国农业部. NY/T 1565—2007 冷却肉加工技术规范[S].北京: 中国农业出版社, 2007.

[2] 林亚青, 房子舒. 猪肉新鲜度检验方法综述[J]. 肉类研究, 2011, 25(5): 62-65.

[3] 郭培源, 林岩, 付妍, 等. 基于近红外光谱技术的猪肉新鲜度等级研究[J]. 激光与光电子学进展, 2013, 50(3): 1-7. DOI:10.3788/ LOP50.033002.

[4] 黄林, 陈全胜, 张燕华, 等. 冷却猪肉优势腐败菌分离鉴定及致腐能力测定[J]. 食品科学, 2013, 34(1): 205-209.

[5] 胡耀华, 熊来怡, 刘聪, 等. 基于近红外光谱的生鲜猪肉pH检测及其品质安全判别[J]. 中国农业大学学报, 2012, 17(3): 121-126.

[6] 张雷蕾. 冷却肉微生物污染及食用安全的光学无损评定研究[D]. 北京: 中国农业大学, 2015.

[7] GJERLAUG-ENGER E, KONGSRO J, AASS L, et al. Prediction of fat quality in pig carcasses by near-infrared spectroscopy[J]. Animal, 2011, 5(1): 1829-1841.

[8] de MARCHI M, RIOVANTO R, PENASA M, et al . At-line prediction of fatty acid profile in chicken breast using near infrared reflectance spectroscopy[J]. Meat Science, 2012, 90(3):653-657.

[9] de MARCHI M. On-line prediction of beef quality traits using near infrared spectroscopy[J]. Meat Science, 2013, 94(4): 455-460.

[10] 邹昊, 田寒友, 刘文营, 等. 应用便携式近红外仪检测生鲜羊通脊肉的嫩度[J]. 肉类研究, 2014, 28(10): 15-19.

[11] MORSY N, SUN D W. Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J]. Meat Science, 2013, 93(2): 292-302.

[12] 王文秀, 彭彦昆. 基于近红外光谱的冷鲜肉-解冻肉的判别研究[J].食品安全质量检测学报, 2014, 5(3): 754-760.

[13] MONROY M, PRASHER S, NGADI M O, et al. Pork meat quality classification using visible/near-infrared spectroscopic data[J]. Biosystems Engineering, 2010, 107(3): 271-276.

[14] LEROY B, LAMBOTTE S, DOTREPPE O, et al. Prediction of technological and organoleptic properties of beef longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science, 2003, 66(1): 45-54.

[15] 侯瑞峰, 黄岚, 王忠义, 等. 用近红外漫反射光谱检测肉品新鲜度的初步研究[J]. 光谱学与光谱分析, 2006, 26(12): 2193-2196.

[16] 蔡健荣, 万新民, 陈全胜. 近红外光谱法快速检测猪肉中挥发性盐基氮的含量[J]. 光学学报, 2009, 29(10): 2808-2812. DOI:10.3788/ AOS20092910.2808.

[17] 马世榜, 徐扬, 彭延昆, 等. 基于光谱技术的支持向量机判别牛肉新鲜度[J]. 食品安全质量检测学报, 2012, 3(6): 630-607.

[18] 廖宜涛, 樊玉霞, 伍学千, 等. 猪肉pH值的可见近红外光谱在线检测研究[J]. 光谱学与光谱分析, 2010(3): 681-684. DOI:10.3964/j. issn. 1000-0593(2010)03-0681-04.

[19] ELLIS D I, BROADHURST D, GOODACRE R . Rapid and quantitative detection of the microbial spoilage of beef by Fourier transform infrared spectroscopy and machine learning[J]. An International Journal Devoted All Branches of Analytic Chemistry, 2004, 514(2): 193-201.

[20] ALEXANDRAKIS D, DOWNEYG, SCANNELL A G M, et al. Detection and identification of selected bacteria, inoculated on chicken breast, using near infrared spectroscopy and chemometrics[J]. Sensing and Instrumentation for Food Quality and Safety, 2011, 5(2): 57-62.

[21] ARGYRI A A, PANAGOU E Z, TARANTILIS P A, et a1. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks[J]. Sensors and Actuators B: Chemical, 2010, 145(1): 146-154.

[22] PANAGOU E Z, MOHAREB F R, ARGYRI A A, et al. A comparison of artificial neural networks and partial least squares modelling for the rapid detection of the microbial spoilage of beef fillets based on Fourier transform infrared spectral fingerprints[J]. Food Microbiology, 2011, 28(4): 782-790.

[23] GRAU R, SANCHEZ A J, GIRON J, et al. Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy[J]. Food Research International, 2011, 44(1): 331-337.

[24] 刘静, 管骁. 基于SVM方法的猪肉新鲜度分类问题研究[J]. 食品与发酵工业, 2011, 37(4): 221-225.

[25] 王丽, 刘兆丰, 励建荣. 近红外光谱技术快速检测猪肉新鲜度指标的方法研究[J]. 中国食品学报, 2012, 12(6): 159-163.

[26] 杨勇, 王殿友, 杨庆余, 等. 近红外光谱技术快速测定鹅肉新鲜度[J].食品科学, 2014, 35(24): 239-242. DOI:10.7506/spkx1002-6630-201424046.

[27] SINELLI N, LIMBO S, TORRI L, et al. Evaluation of freshness decay of minced beef stored in high-oxygen modified atmosphere packaged at different temperature using NIR and MIR spectroscopy[J]. Meat Science, 2010, 86(3): 748-752.

[28] KAMRUZZAMAN M, EIMASRY G, SUN D W, et al. Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J]. An International Journal Devoted All Branches of Analytic Chemistry, 2012, 714: 57-67.

[29] BARBIN D F, SUN D W, SU C. NIR hyperspectral imaging as nondestructive evaluation tool for the recognition of fresh and frozen–thawed porcine longissimus dorsi muscles[J]. Innovative Food Science and Emerging Technologies, 2013, 18: 226-236.

[30] NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Visible/ near-infrared hyperspectral imaging for beef tenderness prediction[J]. Computer Electron Agriculture, 2008, 64(2): 225-233.

[31] 吴建虎, 彭彦昆, 江发潮, 等. 牛肉嫩度的高光谱法检测技术研究[J].农业机械学报, 2009, 40(12): 135-138.

[32] WU J H, PENG Y K, LI H Y, et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Food Engineering, 2012, 109(2): 267-273.

[33] QIAO J, NGADI M O, WANG N, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Journal of Food Engineering, 2007, 83(1): 10-16.

[34] 高晓东, 吴建虎, 彭彦昆, 等. 基于高光谱成像技术的牛肉大理石花纹的评估[J]. 农产品加工(学刊), 2009(10): 33-37.

[35] EIMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J]. Journal of Food Engineering, 2012, 110: 127-140.

[36] BARBIN D F, EIMASRY G, SUN D W, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90(1): 259-268.

[37] 吴建虎, 彭彦昆, 陈菁菁, 等. 基于高光谱散射特征的牛肉品质参数的预测研究[J]. 光谱学与光谱分析, 2010, 30(7): 1815-1819.

[38] XIE A G, SUN D W, XU Z Y, et al. Rapid detection of frozen pork quality without thawing by vis. NIR hyperspectral imaging technique[J]. Talanta, 2015, 139: 208-215.

[39] EIMASRY G, SUN D W, ALLEN P, et al. Nondestructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International, 2011, 44: 2624-2633.

[40] KAMRUZZAMAN M, EIMASRY G, SUN D W, et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering, 2011, 104(3): 332-340.

[41] WANG X W, ZHAO M Z, JU R H, et al. Visualizing quantitatively the freshness of intact fresh pork using acousto-optical tunable filter-based visible/near-infrared spectral imagery[J]. Computer and Electronics in Agriculture, 2013, 99: 41-53.

[42] PENG Y K, JING Z J, WANG W, et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles[J]. Journal of Food Engineering, 2011, 102(2): 163-169.

[43] XIONG Z J, SUN D W, PU H B, et al. Non-destructive prediction of thiobarbituric acid reactive substances(TBARS) value for freshness evaluation of chicken meat using hyperspectral imaging[J]. Food Chemistry, 2015, 179: 175-181.

[44] HUANG Q P, CHEN Q S, LI H H, et al. Non-destructively sensing pork’s freshness indicator using near infrared multispectral imaging technique[J]. Journal of Food Engineering, 2015, 154: 69-75.

[45] LI H H, CHEN Q S, ZHAO J W, et al. Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion[J]. LWT-Food Science and Technology, 2015, 63(1): 268-274.

[46] BARBIN D F, EIMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138: 1162-1171.

[47] BARBIN D F, EIMASRY G, SUN D W, et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. An International Journal Devoted All Branches of Analytic Chemistry, 2012, 719: 30-42.

[48] BARBIN D F, EIMASRY G, SUN D W, et al. Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J]. Innovative Food Science and Emerging Technologies, 2013, 17: 180-191.

[49] 赵杰文, 惠喆, 黄林, 等. 高光谱成像技术检测鸡肉中挥发性盐基氮含量[J]. 激光与光电子学进展, 2013, 50(7): 158-164. DOI:10.3788/ LOP50.073003.

[50] KAROUI R, BLECKER C. Fluorescence spectroscopy measurement for quality assessment of food system: a review[J]. Food and Bioprocess Technology, 2011, 4: 364-386.

[51] VEBERG A, SØRHEIM O, MOAN J, et al. Measurement of lipid oxidation and prophyrins in high oxygen modified atmosphere and vacuum-packed minced turkey and pork meat by fluorescence spectra and images[J]. Meat Science, 2006, 73(3): 511-520.

[52] 汪希伟, 赵茂程, 居荣华, 等. 基于紫外荧光成像对包装鲜猪肉存储时间预测研究[J]. 包装与食品机械, 2011, 29(6): 5-8. DOI:10.3969/j. issn. 1005-1295.2011.06.002.

[53] SAHAR A, BOUBELLOUTA T, DUFOUR E. Synchronous frontface fluorescence spectroscopy as a promising tool for the rapid determination of spoilage bacteria on chicken breast fillet[J]. Food Research International, 2011, 44: 471-480.

[54] AIT-KADDOUR A, BOUBELLOUTA T, CHEVALLIER I. Development of a portable spectrofl uorimeter for measuring the microbial spoilage of minced beef[J]. Meat Science, 2011, 88(4): 675-681.

[55] OTO N, OSHITA S, MAKINO Y, et al. Non-destructive evaluation of ATP content and plate count on pork meat surface by fl uorescencespectroscopy[J]. Meat Science, 2013, 93(3): 579-585.

[56] HASSOUN A, KAROUI E. Front-face fluorescence spectroscopy coupled with chemometric tools for monitoring fish freshness stored under different refrigerated conditions[J]. Food Control, 2015, 54: 240-249.

[57] EIMASRY G, NAGAI H, MORIA K, et al. Freshness estimation of intact frozen fish using fluorescence spectroscopy and chemometrics of excitation-emission matrix[J]. Talanta, 2015, 143: 145-156.

[58] HERRERO A M. Raman spectroscopy a promising technique for quality assessment of meat and fi sh: areview[J]. Food Chemistry, 2008, 107(4): 1642-1651.

[59] HERRERO A M. Raman spectroscopy for monitoring protein structure in muscle food system[J]. Critical Reviews in Food Science and Nutrition, 2008, 48: 512-523.

[60] SOWOIDNICH K, SCHMIDT H, MAIWALD M, et al. Application of diode-laser Raman spectroscopy for in situ investigation of meat spoilage[J]. Food Bioprocess Technology, 2010, 3: 878-882.

[61] SCHMIDT H, SOWOIDNICH K, KRONFELDT H D. A prototype hand-held ramansensor for the in situ characterization of meat quality[J]. Applied Spectroscopy, 2010, 64(8): 888-894 .

[62] ARGYRI A A, JARVIS R M, WEDGE D, et al. A comparison of Raman and FT-IR spectroscopy for the prediction of meat spoilage[J]. Food Control, 2013, 29(3): 461-470.

Progress on Spectroscopic Freshness Evaluation of Chilled Meat

ZHANG Kaihua, ZANG Mingwu*, WANG Shouwei, LI Dan, ZHANG Zheqi, QIAO Xiaoling
(Beijing Academy of Food Sciences, China Meat Research Center, Beijing 100068, China)

Abstract:This paper summarizes recent progress in the application of non-destructive detection techniques such as infrared spectroscopy, hyperspectral imaging, fluorescence spectroscopy and Raman spectroscopy to evaluate the freshness of chilled meat. The advantages and disadvantages of these techniques are analyzed, aiming to provide references for future studies in this field.

Key words:spectroscopic technique; chilled meat; freshness; progress

DOI:10.15922/j.cnki.rlyj.2016.01.007

中图分类号：TS251.51

文献标志码：A

文章编号：1001-8123（2016）01-0030-06

*通信作者：臧明伍（1981—），男，高级工程师，硕士，研究方向为肉品科学与食品安全。E-mail：cmrcfood@126.com

作者简介：张凯华（1990—），女，硕士，研究方向为食品科学和食品安全。E-mail：zhkh.happy@163.com

基金项目：“十二五”国家科技支撑计划项目（2014BAD04B05）；公益性行业（农业）科研专项（201303082）

收稿时间：2015-07-19

引文格式：